时间序列分析实例分析上机报告.doc

得分时间序列分析期末上机实践报告课程名称： 时间序列分析 学 期： 学 院： 专 业： 姓 名： 学 号： 日 期： 时间序列分析期末课程上机报告1、 ARMA模型1. 数据来源及其背景： 澳门整体建筑工人平均日薪的同期变动率，1988第一季度至2003第二季度，并利用ARMA模型建模及预测未来5个季度的同期变动率。2. 时序图：如图所示：该序列没有明显的不平稳性3. 白噪声： P值小于0.05属于非白噪声序列4. 样本自相关图自相关系数基本0值附近波动，可以认为有短期相关性。序列平稳。5. 样本偏自相关图此图为截尾6. 预测可得出之后5个季度的同期变动率：14.22 10.82 13 16.35 17.597. 模型检验P值小于0.05 建模成功 拟合模型为AR（2）模型8. 拟合预测图图形拟合得十分不错9. 程序data nicole1_1; input cjj; time=_n_;cards; 20.712523.233.31814.9412.1946.1384.03124.32-7.1-77-48.2625.0124.9247.8123.784.253.9210.0931.3936.0924.787.5617.9520.548.977.425.310.1-2.52-2.696.619.461420.15114.11.78-3.5411.7659.6716.685.8215.842633.915016.1616.0820.754.6925.9911.515.452.5128.4222.99； proc gplot data=nicole1_1;plot cjj*time=1;symbol1 c=red I=join v=star; proc arima data= nicole1_1; identify var=cjj nlag=14; estimate p=2;forecast lead=5 id=time out=results;proc gplot data=results; plot cjj*time=1 forecast*time=2 l95*time=3 u95*time=3/overlay; symbol1 c=black i=none v=star; symbol2 c=red i=join v=none; symbol3 c=green i=join v=none l=2; run;2、 ARIMA模型1. 数据来源及其背景 澳门甲类物价消费指数，1998年1月至2003年11月，并利用ARIMA模型建模及预测未来5个月的物价消费指数。2. 时序图如图所示：序列具有长期趋势。3. 差分对序列进行一阶差分。4. 样本自相关图 如图所示：延迟6阶之后，自相关系数基本都在零值附近波动。具有短期相关性，该差分后序列平稳。5. 样本偏相关图 如图所示：只有延迟1阶和4阶的偏自相关系数显著大于2倍标准差。可用AR（1,4）模型。6. 白噪声P值小于0.05 属于非白噪声序列。具有非纯随机性。7. 模型检验 如图所示：残差检验结果显示残差序列可视为白噪声序列，参数显著性检验结果显示两参数均高度显著。模型拟合成功。8. 预测如图所示：接下来5个月的预测值为：109.25 103.5 100.96 98.67 94.969. 拟合图如图所示：图形拟合得十分不错。10.程序data nicole1_2;input month x;dif=dif(x);cards;183.1283.9363.1479.5581.4673.4767.6877.4971.71070.11163.71251.91345.414451538.91631.51725.71829.51929.62029.52132.22234.12332.12437.42548.12674.12774.72856.72943.33089.73111232100.433101.834100.735115.636122.537131.538137.93914440159.441168.842164.343164.54416884714048129.149104.85093.351795278.15381.15465.65559.85636.15726.35823.35918.5;proc gplot;plot x*month dif*month;symbol c=black i=join v=square;proc arima;identify var=x(1);estimate p=(1 4) noint;forecast lead=5 id=month out=out;proc gplot data=out;plot x*month=1 forecast*month=2 l95*month=3 u95*month=3/overlay;symbol1 c=black i=none v=star;symbol2 c=red i=join v=none;symbol3 c=green i=join v=none;run;3、 X11过程1. 数据来源及其背景 澳门工业生产指数（电力业），2006年至2013年，使用X11过程进行季节调整。2. 时序图如图所示：受到季节性影响，时序图趋势不明显。3. 季节调整后序列图 如图所示：可以看出澳门工业指数（电力业）在剔除季节效应之后有非常显著的线性递增趋势。4. 趋势拟合图5. 残差图6.程序data nicole1_3; input x; t=intnx(month,1jan2006d,_n_-1); format t year4.; cards; 10110242.341.362.2105.763.866123.3151.1202515.5292.2262.7267.5270.4313.7381.1351.5386496.2544.1653.81032.2702.2591.5633.3648.7685.4739.7723.673721489.51009.11000960.1955998.31000988.71016.41183.51248.31390.11948.61388.51313.51230.91200.51208.21264.71202.51204.41339.614481554.91981.71649.51406.41379.71352.71365.214261386.11414.61543.116361752.22231.41762.11638.41503.1140014641528.81480.31510.91704.31843.91881.52505.71874.719051727167217371745169718001954212922082780; proc x11 data=nicole1_3; monthly date=t; var x; output out=out b1=x d10=season d11=adjusted d12=trend d13=irr; proc gplot da